基于卷积自编码网络的故障在线检测研究
文献类型：学位论文
| 作者 | 赵杭天 |
| 答辩日期 | 2021 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学(中国科学院上海应用物理研究所) |
| 导师 | 李德明 |
| 关键词 | 在线故障检测 关键模型集成 无监督学习 变分自编码网络 卷积时序网络 |
| 英文摘要 | 机械设备广泛应用于社会生产的各个方面,与国计民生息息相关。由于环境带来的损耗或软件错误,可能引起难以排查的机械故障,及时对早期故障进行检测和排查,可以大幅降低维护的成本与风险,较精确的剩余可用时间估计可以提高维护的经济性。随着我国工业技术的快速发展与第四次工业革命的兴起,分布式传感部署与智能集成控制系统成为发展趋势。为检测到机械运转过程中的故障,数据驱动的智能方法成为研究热点之一。但主流的监督式学习故障检测的方法存在故障数据获取难、标注成本高的问题,为此本文提出基于小波与全卷积变分自编码网络的无监督在线故障诊断算法与自动生成训练标签的有监督在线剩余可用时间估计预测方法,主要工作如下:(1)阐述傅里叶变换,小波变换等频谱方法的原理,对振动加速度幅值信号使用几种方法做频谱分析,介绍并引入支持向量机,探究基于频谱分析与机器学习方法的有效性;(2)结合贝叶斯观点阐述自动编码器与变分自编码器的工作原理,并使用卷积替代全连接实现全卷积变分自动编码器,降低模型复杂度的同时提升泛化能力。(3)使用基于小波时频谱设计的全卷积变分自动编码器对在线数据损失值进行监控。提出基于关键模型集成的在线诊断方法,方法使用Haar小波变换时间-尺度谱作为网络输入,无监督在线训练全卷积变分自编码网络的损失值作为判据。提出基于模型距离的关键模型集成方法,以对参照样本的输出差异作为度量,维护一个历史关键模型队列,根据队列内模型对当前数据损失的统计值得出当前信号的异常分。在弗朗什-孔泰大学国立高精科学技术学院数据集(FrancheComtéélectronique Mécanique Thermique et Optique-Sciences et Technologies,FEMTO),辛辛那提大学智能维护系统中心数据集(Intelligent Maintenance Systems,IMS)数据集验证,结果表明该方法一定程度上解决了单模型难以在线检出缓变故障与定时多模型集成资源消耗持续增长的问题,可以较好对设备全生命周期在线监控与报警。(4)使用卷积层与循环门单元构建卷积时序预测网络,使用提出的在线检测方法提供的特征值作为时序预测网络的输入,进行在线轴承剩余可用时间估计,在FEMTO数据集验证,并与其他方法对比,结果方法表明所提在线预测方法达到离线方法的较好水准,具有较好的在线剩余可用时间估计能力。 |
| 语种 | 中文 |
| 源URL | [http://ir.sinap.ac.cn/handle/331007/33905]  |
| 专题 | 中科院上海应用物理研究所2021-2022年 |
| 作者单位 | 1.中国科学院上海应用物理研究所 2.中国科学院大学; |
| 推荐引用方式 GB/T 7714 | 赵杭天. 基于卷积自编码网络的故障在线检测研究[D]. 中国科学院大学(中国科学院上海应用物理研究所). 2021. |
入库方式： OAI收割
来源：上海应用物理研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。